Bis zu 30 Sekunden am Stück
4, 6, 8, 10, 15, 20 oder 30 Sekunden. Kein Zusammenstückeln, kein Abdriften zwischen Segmenten. Das nächstlängere Modell hier schafft fünfzehn, die von Google hören bei acht oder zehn auf.
Modell · Alibaba Wan 3.0
Wan 3.0 – 30 Sekunden Video in einem Durchgang
Das Videomodell von Alibaba – und das eine, was es kann und die Google-Modelle hier nicht: Länge. Eine einzige Generierung liefert 4 bis 30 Sekunden, Ton schon drin, in 480p, 720p oder 1080p, quer oder hochkant. Du zahlst pro Sekunde – $0.05, $0.10 oder $0.20 je nach Auflösung –, ein kurzer Entwurf kostet also $0.20 und der längste, schärfste Clip der Plattform $6.00. Krypto oder Karte, ohne Abo.
01Was es ist
Was ist Wan 3.0?
Wan 3.0 ist das Videomodell von Alibaba, im August 2026 auf Alibaba Cloud Model Studio erschienen. Es rendert Clips von 4 bis 30 Sekunden, und der Ton entsteht im selben Durchgang wie das Bild. Bei uns bekommt es einen Prompt, optional ein Start- und ein Endbild oder bis zu 10 Referenzbilder, und liefert einen fertigen Clip in 480p, 720p oder 1080p. Wir berechnen genau das, was Alibaba für das Modell listet – $0.05, $0.10 und $0.20 pro Sekunde je nach Auflösung – ohne Aufschlag. So halten wir es auch bei den Google-Modellen.
Wer braucht überhaupt 30 Sekunden?
Alle, die keine Lust mehr aufs Zusammenstückeln haben. Die meisten Videomodelle sind bei etwa acht oder zehn Sekunden am Ende. Eine halbe Minute heißt dann: drei oder vier Generierungen, die du von Hand aneinander anpasst, und Nahtstellen, mit denen du leben musst, weil das Modell sich beim Licht umentschieden hat. Wan rendert das Ganze als eine Einstellung. Bei Produkt-Loops, Ambient-Hintergründen, Prozessaufnahmen und allem, wo die Kamera einfach weiterläuft, fällt der Schnitt damit komplett weg. Hochkant funktioniert genauso – 9:16 in allen drei Auflösungen, also genau das, was Shorts und Reels wollen.
02Was es gut kann
Sechs Dinge, die du wissen solltest, bevor du Geld ausgibst
Ton, der nichts kostet
Der Ton wird mit dem Bild generiert und ist standardmäßig an. Abschalten geht per Schalter, und der Preis bleibt so oder so gleich – anders als bei Veo, wo nativer Ton extra kostet.
Start- und Endbild
Gib ihm ein Startbild zum Animieren und optional ein Endbild, auf dem die Einstellung landen soll. Dasselbe Bild in beiden Slots ergibt einen sauberen Loop.
Bis zu 10 Referenzbilder
Referenzen halten ein Motiv oder einen Stil über mehrere Durchgänge konsistent. Sie sind eine Alternative zu Start- und Endbild, keine Ergänzung – das Modell nimmt entweder das eine oder das andere.
Seeds
Fixierst du den Seed, landet derselbe Prompt nah an derselben Einstellung. Praktisch, wenn du Wort für Wort feilst und sehen willst, was genau dieses Wort bewirkt hat.
Drei Preisstufen
480p für Entwürfe zu $0.05 pro Sekunde, 720p zum Veröffentlichen zu $0.10, 1080p zu $0.20. Günstig entwerfen, den Treffer einmal final rendern.
03Ehrliche Grenzen
Was Wan 3.0 nicht kann
Bearbeiten ist hier kein Gespräch. Bei Gemini Omni Flash kannst du „mach das Licht wärmer“ sagen, und das Modell passt die Szene an, die es sich gemerkt hat. Wan kann einen Clip, den du ihm gibst, neu drehen – bis zu 15 Sekunden Quelle, Quelle und Ergebnis zusammen innerhalb von 30 Sekunden –, aber jede Anfrage beginnt bei null, und die Sekunden der Quelle werden zusammen mit denen des Ergebnisses berechnet. Außerdem rendert es einen Clip pro Durchgang – keine Vierer-Raster zur Auswahl. Einen Negativ-Prompt gibt es nicht; alles, was du nicht willst, musst du aus der Szene herausschreiben, statt es zu verbieten. Als Seitenverhältnisse gibt es nur 16:9 und 9:16, bei 1080p ist Schluss. Und Startbilder und Referenzbilder schließen sich gegenseitig aus: entweder Start- und Endbild oder Referenzen, nicht beides.
Alibaba sagt offen, wo das Modell noch wächst: In den eigenen Launch-Notes steht, dass Tontextur und Textdarstellung im Bild noch nicht da sind, wo sie sein sollen, und das deckt sich ungefähr mit dem, was wir sehen – die Atmo sitzt, gesprochene Sätze klangen besser als erwartet, aber es ist keine Tonspur, die du im Detail formen kannst. Lange Einstellungen haben ihr eigenes Risiko. Unser Zwanzig-Sekunden-Töpferclip oben hat besser gehalten, als ich dachte, aber dreißig Sekunden sind viele Frames, die konsistent bleiben müssen – plane für alles über fünfzehn einen zweiten Versuch ein. Eine Fähigkeit des Originalmodells haben wir nicht angebunden: Es nimmt Dokumente (PPT, PDF, Tabellen) als Eingabe. Und sein „Extend“ ist eine nächste Szene mit derselben Besetzung und Kulisse, keine framegenaue Fortsetzung. Wenn du Ton willst, den du Satz für Satz steuern kannst, ist Gemini Omni Flash das bessere Werkzeug; brauchst du 4K, das Wan nicht erreicht, ist Veo 3.1 die Alternative.
04Aus der Praxis
Was uns die Produktion gelehrt hat
Diese Notizen stammen aus echter Werbeproduktion mit Wan 3.0 im September 2026: Produktclips, Retusche-Durchgänge über gefilmtes Material, Remakes auf Basis eines Startbilds. Nichts davon steht in der Dokumentation, und für jede dieser Erkenntnisse haben wir bezahlt.
Die Reihenfolge der Blöcke entscheidet
Was im Prompt zuerst kommt, bekommt die Aufmerksamkeit, und eine lange Produktbeschreibung zieht sie komplett auf sich. In unseren Durchgängen wurde eine Retusche-Anweisung an siebter Stelle übergangen; dieselben Worte ganz oben als „TASK 1“ wurden umgesetzt. Stell das, was du am dringendsten brauchst, an den Anfang.
Verneinungen werden mitgezeichnet
„No ring, no watch, no ink“ brachte uns einen neuen goldenen Ring und ein kräftigeres Tattoo. In unseren Durchgängen las sich das Nennen einer Sache wie die Bitte darum. Beschreib lieber, was stattdessen da sein soll: „each finger is plain skin from base to tip“ hat geschafft, was drei Verneinungen nicht konnten.
Es füllt leere Hände
In unseren Einstellungen, in denen das Produkt nicht vorkommen sollte, hat Wan das, was die Hand gerade hielt, gegen das Produkt getauscht – aus einem Kamm wurde ein Trimmer. Nenne jedes Werkzeug, sag ausdrücklich, dass ein Bild ohne Produkt in Ordnung ist, und schreib „never more than one“ statt „exactly one“. Noch sicherer: Render diese Einstellungen als eigenes Segment, in dessen Prompt das Produkt gar nicht beschrieben wird.
Ein Startbild hält das Objekt fest
Aus einem einzigen Startbild ohne Referenzen hat Wan ein Produkt zehn Sekunden lang intakt gehalten: Tasten am richtigen Platz, nichts Zusätzliches in der Szene. In unseren Tests mit demselben Bild ließen andere Modelle ein loses Kabel und fremde Gegenstände wachsen. Wenn es auf das exakte Produkt ankommt, erstelle zuerst das Bild und lass Wan es in einem Durchgang animieren.
Retusche kommt Bild für Bild zurück
Beim Bearbeiten eines gefilmten Clips, um Tattoos, eine Uhr und Armbänder zu entfernen, kam Material zurück, das Einstellung für Einstellung zur Quelle passte, mit sauberer Haut. Stücke bis etwa acht Sekunden waren für uns die verlässliche Größe; längere Quellen schneidest du besser in Teile.
Ein langer Durchgang schlägt eine Kette
Extend heißt bei Wan „die nächste Szene“, keine framegenaue Fortsetzung. Wenn du fünfzehn, zwanzig oder dreißig Sekunden brauchst, bestell sie als eine Generierung, statt kurze aneinanderzuhängen.
Längen sind ganze Sekunden
Das Ergebnis wird auf die bestellte ganze Sekundenzahl gekürzt, bei 30 fps: Aus 94 Frames Eingabe wurden 90. Exakt auf einer Einstellungsgrenze zu schneiden hat bei uns deshalb nicht funktioniert – plane deine Segmente so, dass die Übergänge auf ganzen Sekunden liegen.
Ein Referenzfoto bringt seine Garderobe mit
In unseren Durchgängen hat Wan Kleidung und Schmuck von einem Personenfoto übernommen, selbst wenn im Prompt „face and hair only“ stand. Schneide die Referenz auf das zu, was wirklich übernommen werden soll.
Platz für ein Briefing Einstellung für Einstellung
Der Prompt fasst bis zu 20.000 Zeichen – Platz für nummerierte Aufgaben, eine Festlegung für jedes Werkzeug und eine Beschreibung jeder Einstellung. Wan belohnt diese Struktur: Je genauer ein Block sagt, was im Bild ist, desto weniger improvisiert es.
Mängel, die du einplanen solltest. Ton ist normalerweise da, und gesprochene Sätze bringt das Modell ordentlich rüber – nicht nur englische. Ein Projekt lief andersherum: Bei Bearbeitungsdurchgängen und bei einem Text-zu-Video-Durchgang mit komplexem Prompt kam das Motorgeräusch eines Trimmers leise zurück, etwa −45 dB – hörbar, aber schwach. In unseren anderen Durchgängen war die Spur, wo sie hingehört; das ist also eine Situation und keine Eigenschaft des Modells. Wenn eine dünne Spur schaden würde, prüf den Pegel und nimm den Ton bei Bedarf aus deiner Quelle. Kleine Ziffern auf einem Gerätedisplay zeichnet es besser als die Konkurrenz, aber nicht zuverlässig – wir bekamen 89, wo im Bild 84 stand, und bei waagerechtem Griff kamen die Ziffern gedreht heraus. Die Form eines Produkts kann in halbnahen Einstellungen weicher werden. Und beim Bearbeiten von Material malt das Modell manchmal ein Detail von später aus der Quelle hinein – in einem Schnitt tauchte eine rasierte Linie im Haarschnitt eine Einstellung zu früh auf und war in der nächsten wieder weg. Neue Versuche haben das bei uns nicht behoben, also haben wir das Stück herausgeschnitten.
05So geht’s
Vom Prompt zum Clip in drei Schritten
Beschreib die Einstellung, nicht das Thema
Motiv, was es tut, die Kamera, das Licht. „Single continuous shot“ lohnt sich ausdrücklich hinzuschreiben. Dann eine kurze Zeile „Audio/sound:“ dazu, was zu hören sein soll – Wan greift den Hinweis auf.
Erst in 480p entwerfen
Vier Sekunden in 480p kosten $0.20. Bring dort die Komposition in Ordnung und lass den Gewinner dann in 720p oder 1080p in der Länge laufen, die du wirklich brauchst.
Zahl für die Sekunden, die du bekommst
Dein Guthaben wird beim Start des Jobs belastet und automatisch erstattet, wenn er fehlschlägt oder der Filter ihn ablehnt. Aufladen mit Krypto oder Karte – keine Monatsgebühr, die auf dich wartet.
06Preise
Was kostet Wan 3.0 2026 im Vergleich zu Veo 3.1 und Omni?
| Modell | 4 s | 10 s | 30 s | Ton |
|---|---|---|---|---|
| Wan 3.0 · 480p$0.05/s – Entwürfe und Social | $0.20 | $0.50 | $1.50 | Inklusive, kostenlos |
| Wan 3.0 · 720p$0.10/s – die übliche Wahl | $0.40 | $1.00 | $3.00 | Inklusive, kostenlos |
| Wan 3.0 · 1080p$0.20/s – die scharfe Variante | $0.80 | $2.00 | $6.00 | Inklusive, kostenlos |
| Veo 3.1 Fast · 720pGoogle-Modell, nur 4–8 s | $0.35 | — | — | Kostet extra |
| Gemini Omni 1.1 Flash · 720pGoogle-Modell, pro Sekunde, 3–10 s pro Durchgang | $0.40 | $1.00 | — | Immer an |
| Gemini Omni 1.1 Flash · 1080pDasselbe Modell in 1080p, $0.15 pro Sekunde | $0.60 | $1.50 | — | Immer an |
Preise gelten pro fertigem Clip und enthalten die Tonspur. Ein Strich heißt, dass das Modell diese Länge nicht in einem Durchgang liefert: Veo hört bei acht Sekunden auf, und Omni kommt nur auf 40 Sekunden, indem ein fertiger Clip Szene für Szene verlängert wird. Einzahlungen ab $50 bringen 5 % mehr Guthaben, ab $100 10 %; ein aktiver Promo-Code legt auf dieselbe Einzahlung noch einmal 10 % drauf. Der Mengenbonus von +5 % / +10 % gilt nur für Aufladungen mit Krypto.
Die vollständige Tabelle für alle Modelle findest du auf der Preisseite.
07Weiterlesen
Guides, die tiefer gehen
Aus einem Foto ein Video machen
Wie sich Startbilder, Endbilder und Loops tatsächlich verhalten – mit den Prompts, die sie erzeugt haben.
Zum GuidePrompts für Videomodelle schreiben
Kamerasprache, Licht, Bewegung. Für Veo geschrieben, aber die Struktur lässt sich fast unverändert auf Wan übertragen.
Zum GuideGemini Omni Flash im Test
Das Modell für den Fall, dass du einen Clip im Gespräch bearbeiten willst, statt neu zu prompten.
Zum Guide08FAQ
Fragen, die wirklich gestellt werden
Wie lang kann ein Wan-3.0-Video sein?
Bis zu 30 Sekunden in einer einzigen Generierung. Zur Auswahl stehen 4, 6, 8, 10, 15, 20 und 30 Sekunden, und der Clip kommt als eine durchgehende Einstellung zurück – nicht als vier kurze, aneinandergehängte Clips. Die Veo- und Omni-Modelle von Google hören bei acht bzw. zehn Sekunden pro Clip auf.
Was kostet ein Clip mit Wan 3.0?
Du zahlst pro Sekunde: $0.05 in 480p, $0.10 in 720p, $0.20 in 1080p. Vier Sekunden Entwurf kosten also $0.20, zehn Sekunden in 720p $1.00, und das Maximum – dreißig Sekunden in 1080p – $6.00. Die Tonspur ist im Preis enthalten.
Ganze Antwort lesenErzeugt Wan 3.0 auch Ton?
Ja, und zwar standardmäßig. Der Ton wird zusammen mit dem Bild gerendert, nicht nachträglich hinzugefügt, deshalb sind Schritte genau dann zu hören, wenn der Fuß aufsetzt. Du kannst ihn für einen stummen Clip abschalten, am Preis ändert das nichts. Beschreib, was du hören willst, in einer kurzen Zeile „Audio/sound:“ am Ende des Prompts. Gut zu wissen: Alibabas eigene Launch-Notes nennen die Tontextur als Bereich, an dem noch gefeilt wird. In unseren Durchgängen war die Spur so, wie sie kam, brauchbar, und gesprochene Sätze klangen ordentlich – bei einem Clip, auf den es ankommt, lohnt sich trotzdem ein Blick auf den Pegel.
Kann ich mein eigenes Foto animieren?
Ja. Leg ein Bild in den Startbild-Slot, und der Prompt beschreibt, was damit passieren soll. Mit einem Endbild steuerst du, wo die Einstellung landet, und dasselbe Bild in beiden Slots ergibt einen Loop. Ein Haken: Start-/Endbilder und Referenzbilder lassen sich nicht kombinieren.
Wan 3.0 oder Veo 3.1 – was soll ich nehmen?
Wan 3.0 ist das neuere und leistungsfähigere der beiden: Einstellungen bis 30 Sekunden statt acht, Ton im Preis enthalten, Referenzclips als Eingabe und ein Produkt, das es selbst bleibt, wenn du es aus einem Startbild animierst. Veo 3.1 ist die Alternative für das, was Wan nicht abdeckt – 4K-Ausgabe – und für kurze Clips im Google-Look. Meine Faustregel: mit Wan anfangen und zu Veo wechseln, wenn im Briefing 4K steht.
Kann ich einen Clip nach dem Generieren bearbeiten?
Ja, mit Einschränkung. Gib Wan einen Clip von bis zu 15 Sekunden – selbst generiert oder selbst gefilmt –, beschreib die Änderung, und du bekommst einen neuen Clip. Quelle und Ergebnis müssen zusammen in 30 Sekunden passen, und die Sekunden der Quelle werden zum gleichen Sekundenpreis berechnet wie das Ergebnis. Ein Gespräch ist das nicht: Jede Bearbeitung ist eine neue Anfrage ohne Erinnerung an die letzte, und „Extend“ liefert die nächste Szene statt einer framegenauen Fortsetzung. Das Modell, das sich an seinen Clip erinnert, ist Gemini Omni Flash.
Darf ich Wan-3.0-Videos kommerziell nutzen?
Ja. Was du generierst, darfst du nutzen, auch für Kunden und kommerzielle Projekte – im Rahmen der Inhaltsregeln in unseren Nutzungsbedingungen. Kein Wasserzeichen im Ergebnis, keine separate Lizenz zu kaufen.
Dreißig Sekunden, ein Prompt
Neue Konten starten mit $0.20 Guthaben – genug für einen 480p-Entwurf, um zu sehen, ob Wan dein Modell ist. Clips ab $0.20, ohne Abo, ohne Verpflichtung.